数据分析-(学术前沿趋势分析)-task3

数据分析-(学术前沿趋势分析)-task3

分析

论文代码统计，统计所有论文出现代码的相关统计。

在原始arxiv数据集中作者经常会在论文的comments或abstract字段中给出具体的代码链接

• 确定数据出现的位置；
• 使用正则表达式完成匹配；
• 完成相关的统计

知识点

1. 拿到数据集，先看下特征量，找到与代码相关的特征{‘abstract’，‘categories’，‘comments’}；提取出来（dict）
2. 用pandas看下数据结构（展示前几行，有个大致轮廓）；
3. 找到’pages’、‘categories’、‘figures’、含有’github’链接的数据，主要用到正则表达式，去找定性数据
4. 可视化

个人需要补充的点

1. 本次作业比较简单，还是熟练python中正则表达式的用法

Q&A

1正则表达式

1. 普通字符：大写和小写字母、所有数字、所有标点符号和一些其他符号

字符	描述
[ABC]	匹配 […] 中的所有字符，例如 [aeiou] 匹配字符串 “google runoob taobao” 中所有的 e o u a 字母。
[^ABC]	匹配除了 […] 中字符的所有字符，例如 [^aeiou] 匹配字符串 “google runoob taobao” 中除了 e o u a 字母的所有字母。
[A-Z]	[A-Z] 表示一个区间，匹配所有大写字母，[a-z] 表示所有小写字母。
.	匹配除换行符（\n、\r）之外的任何单个字符，相等于 [^\n\r]。
[\s\S]	匹配所有。\s 是匹配所有空白符，包括换行，\S 非空白符，包括换行。
\w	匹配字母、数字、下划线。等价于 [A-Za-z0-9_]

2. 特殊字符：有特殊含义的字符

特别字符	描述
( )	标记一个子表达式的开始和结束位置。子表达式可以获取供以后使用。要匹配这些字符，请使用 ( 和 )。
*	匹配前面的子表达式零次或多次。要匹配 * 字符，请使用 *。
+	匹配前面的子表达式一次或多次。要匹配 + 字符，请使用 +。
.	匹配除换行符 \n 之外的任何单字符。要匹配 . ，请使用 . 。
[	标记一个中括号表达式的开始。要匹配 [，请使用 [。
?	匹配前面的子表达式零次或一次，或指明一个非贪婪限定符。要匹配 ? 字符，请使用 ?。
\	将下一个字符标记为或特殊字符、或原义字符、或向后引用、或八进制转义符。例如， ‘n’ 匹配字符 ‘n’。’\n’ 匹配换行符。序列 ‘\’ 匹配 “”，而 ‘(’ 则匹配 “(”。
^	匹配输入字符串的开始位置，除非在方括号表达式中使用，当该符号在方括号表达式中使用时，表示不接受该方括号表达式中的字符集合。要匹配 ^ 字符本身，请使用 ^。
{	标记限定符表达式的开始。要匹配 {，请使用 {。
|	指明两项之间的一个选择。要匹配 |，请使用 |。

3. 限定符

字符	描述
*	匹配前面的子表达式零次或多次。例如，zo* 能匹配 “z” 以及 “zoo”。* 等价于{0,}。
+	匹配前面的子表达式一次或多次。例如，‘zo+’ 能匹配 “zo” 以及 “zoo”，但不能匹配 “z”。+ 等价于 {1,}。
?	匹配前面的子表达式零次或一次。例如，“do(es)?” 可以匹配 “do” 、 “does” 中的 “does” 、 “doxy” 中的 “do” 。? 等价于 {0,1}。
{n}	n 是一个非负整数。匹配确定的 n 次。例如，‘o{2}’ 不能匹配 “Bob” 中的 ‘o’，但是能匹配 “food” 中的两个 o。
{n,}	n 是一个非负整数。至少匹配n 次。例如，‘o{2,}’ 不能匹配 “Bob” 中的 ‘o’，但能匹配 “foooood” 中的所有 o。‘o{1,}’ 等价于 ‘o+’。‘o{0,}’ 则等价于 ‘o*’。
{n,m}	m 和 n 均为非负整数，其中n <= m。最少匹配 n 次且最多匹配 m 次。例如，“o{1,3}” 将匹配 “fooooood” 中的前三个 o。‘o{0,1}’ 等价于 ‘o?’。请注意在逗号和两个数之间不能有空格。

2填充fillna()函数

函数用法：

1. 取值：True(直接修改原对象) 、False(创建一个副本，修改副本，原对象不变（缺省默认）)
2. method参数的取值 ： {‘pad’, ‘ffill’,‘backfill’, ‘bfill’, None}, default None
   • pad/ffill：用前一个非缺失值去填充该缺失值
   • backfill/bfill：用下一个非缺失值填充该缺失值
   • None：指定一个值去替换缺失值（缺省默认这种方式）
3. limit参数：限制填充个数
4. axis参数：修改填充方向（axis=1，按行填充）
   不指定参数时：
5. 常数填充 df1.fillna(100)（源对象不变）
6. 字典填充 df1.fillna({0:10,1:20,2:30})（源对象不变）
7. df1.fillna(0,inplace=True) （指定inplace参数，修改源对象）
8. 其他参数。。。

code

#论文代码统计，统计所有论文出现代码的相关统计
#在原始arxiv数据集中作者经常会在论文的comments或abstract字段中给出具体的代码链接
#     确定数据出现的位置；
#     使用正则表达式完成匹配；
#     完成相关的统计；

import json
import pandas as pd
import re
import matplotlib.pyplot as plt

data = []
with open('arxiv-metadata-oai-2019.json','r') as f:
    for idx,line in enumerate(f):
        d = json.loads(line)
        d = {'abstract':d['abstract'],'categories':d['categories'],'comments':d['comments']}
        data.append(d)
data = pd.DataFrame(data)

data['pages'] = data['comments'].apply(lambda x: re.findall('[1-9][0-9]* pages', str(x)))
data = data[data['pages'].apply(len) > 0]
data['pages'] = data['pages'].apply(lambda x: float(x[0].replace(' pages', '')))
data['pages'].describe().astype(int)

#按照分类统计论文页数
data['categories'] = data['categories'].apply(lambda x :x.split(' ')[0])
data['categories'] = data['categories'].apply(lambda x :x.split('.')[0])
data['categories']

plt.figure(figsize=(12, 6))
data.groupby(['categories'])['pages'].mean().plot(kind='bar')

#对论文图表个数进行抽取
data['figures'] = data['comments'].apply(lambda x:re.findall('[1-9][0-9]* figures',str()))
data = data[data['figures'].apply(len)>0]
data['figures'] = data['figures'].apply(lambda x:float(x[0].replace(' figures', '')))

# 对论文的代码链接进行提取
data_with_code = data[(data.comments.str.contains('github')==True)|(data.abstract.str.contains('github')==True)]
data_with_code['text'] = data_with_code['abstract'].fillna('') + data_with_code['comments'].fillna('')
#fillna('')填充缺失值
# 使⽤用正则表达式匹配论⽂文
pattern = '[a-zA-z]+://github[^\s]*'
data_with_code['code_flag'] = data_with_code['text'].str.findall(pattern).apply(len)
#直观绘图
data_with_code = data_with_code[data_with_code['code_flag'] == 1]
plt.figure(figsize=(12, 6))
data_with_code.groupby(['categories'])['code_flag'].count().plot(kind='bar')